一种SAR图像建筑群分割方法技术

本发明专利技术公开了一种SAR图像建筑群分割方法，先对原始SAR图像进行预处理，使其性状特征趋于一致；再对经预处理的SAR图像进行变差函数特征提取得到变差函数特征图，在变差函数特征图中建筑群区域具有灰度同质性；基于变差函数特征图，采用CV模型图像分割方法进行建筑群分割，得到一个能区分建筑区域和非建筑区域的二值图；采用连通区域检测算法连通二值图中的相邻建筑区域，将相邻的零碎建筑区域进行整合，然后通过面积筛选去除其它地物造成的虚警分割；提取二值图中的建筑区域轮廓线，得到显式的图像分割结果。本发明专利技术方法解决了SAR图像建筑群分割效果不佳的问题，达到了有效分割的效果。

【技术实现步骤摘要】

本专利技术属于SAR图像处理和自动解译领域，涉及一种SAR图像建筑群分割方法。
技术介绍
复杂场景SAR图像中的建筑群分割，是地物分类的重要问题，在军事和民用上的都有极其积极的意义。由于SAR图像中的建筑区呈纹理状，阴影明显，没有整齐的边缘，如果用传统的图像分割方法，很难进行处理。近年来，基于活动轮廓模型的图像分割开始兴起。活动轮廓模型大致分为参数活动轮廓模型和几何活动轮廓模型，而水平集活动轮廓模型是几何活动轮廓模型中的重要一种。参数活动轮廓模型使用参数化的轮廓线来显示进行曲线演化。水平集活动轮廓模型使用水平集方法，将轮廓线转化为三维曲面的一个水平集，来进行隐式的曲线演化。由于曲线演化采用了隐示表达，所以水平集活动轮廓模型能够很好的处理曲线演化的拓扑变化，如分裂与合并等。在水平集活动轮廓模型中，由Chan和Vese提出的CV模型应用广泛。该模型主要使用了水平集方法和Mumford-Shah模型理论，具有弱边缘、感知边缘和内部边缘的检测和定位能力。近年来，国内外出现大量的基于CV模型方法进行SAR图像分割的研究成果，可以分割出机动目标、湖泊、农田等多种地物。在SAR图像的建筑群分割中，直接使用CV模型方法有一定难度，因为CV模型方法要求待分割的两类区域在各自区域内具有灰度同质性。在场景复杂的SAR图像中，包含有建筑群和其他复杂地物，还有噪声的干扰，区域同质性很差，无法满足CV模型方法的要求。如果直接将CV模型方法应用于SAR图像建筑群的分割，则无法取得理想的分割效果。由于建筑群在SAR图像中通常表现为周期性的纹理特征，可以利用图像的纹理特征进行建筑群分割，特征提取的手段包括变差函数、MRF模型分析、小波分析、分形维特征等纹理度量的很多方法。其中的变差函数特征图用于描述SAR图像时，能使建筑群区域出现很好的灰度同质性，适合于使用CV模型方法进行SAR图像建筑群分割。因此，将变差函数特征与CV模型图像分割方法结合，进行SAR图像的建筑群分割，是一个需要研究的问题。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种分割SAR图像中建筑群的方法，该方法提取实测SAR图像的变差函数特征图，实现了SAR图像中建筑区域的灰度同质性，并作为CV模型图像分割的输入数据，有效解决了SAR图像中建筑群难以分割的问题。技术方案：为实现上述目的，本专利技术的基于变差函数CV模型的SAR图像建筑群分割方法，包括如下步骤：1)对原始SAR图像进行预处理，包括消除相干斑、调节亮度和对比度、像素插值或抽取等环节，使其性状特征趋于一致；2)基于步骤1)得到的预处理SAR图像，进行变差函数特征提取，形成变差函数特征图，实现SAR图像中建筑群区域的灰度同质性；3)基于步骤2)得到的变差函数特征图，采用CV模型图像分割方法进行建筑群分割，得到一个能区分建筑区域和非建筑区域的二值图；4)基于步骤3)得到的二值图，采用连通区域检测算法连通相邻的建筑区域，将相邻的零碎建筑区域进行整合，然后通过面积筛选去除其它地物造成的虚警分割；5)基于步骤4)得到的二值图，提取建筑区域的轮廓线，得到显式的图像分割结果。本专利技术方法的步骤2)中，计算变差函数纹理特征图时，采用快速递推算法计算纹理特征，以大幅降低计算量，同时取0°、45°、90°、135°四个方向上的纹理特征的平均值为最终的纹理特征值。本专利技术方法的步骤3)中，把变差函数特征作为水平集演化的驱动能量，建立相应的CV模型能量泛函，具体包括以下步骤：(1)初始化水平集函数：将零水平集轮廓初始化为在SAR图像上均匀分布的圆形，根据图像的长度和宽度，确定每个圆形的中心坐标和半径，使初始轮廓能经过各个建筑区，将水平集函数φ(x,y)的值定义为符号距离函数，在每个圆形轮廓上，水平集函数φ(x,y)＝0，在每个圆形轮廓的内部，φ(x,y)>0；在图像上的其他区域，水平集函数φ(x,y)<0；(2)计算不同区域灰度均值：计算由水平集函数φ(x,y)所形成的曲线外部灰度均值C0和和内部灰度均值C1；(3)水平集函数更新：利用所述曲线外部灰度均值C0和和内部灰度均值C1根据CV模型确定水平集函数的能量泛函，建立相邻两个时刻的水平集函数递推公式；(4)水平集函数边界修正：在边界上应用Neumann条件，修正当前时刻的水平集函数φ(x,y)；(5)水平集函数收敛判断：首先判断当前时刻的水平集函数φ(x,y)是否收敛，如果收敛就停止迭代；否则，就要判断是否达到了预先设定的最大迭代次数，如果达到就停止迭代，否则进入步骤(2)继续下一轮迭代。有益效果：本专利技术与传统的CV模型SAR图像建筑群分割方法相比，具有如下优点：(1)不直接把SAR图像作为CV模型图像分割方法的处理数据，而是把SAR图像的变差函数特征图作为CV模型图像分割方法的处理数据，实现了处理数据中建筑区域的灰度同质性，大幅提高建筑群分割的效果；(2)在SAR图像的变差函数特征提取中，采用了快速递推算法，在保持特征提取精度的前提下，大幅降低了计算时间。附图说明图1是本专利技术提出的SAR图像中建筑群分割方法的流程图；图2是计算变差函数时像素点对的示意图；图2(a)是计算变差函数时，0°方向上像素点对的示意图；图2(b)是计算变差函数时，45°方向上像素点对的示意图；图2(c)是计算变差函数时，90°方向上像素点对的示意图；图2(d)是计算变差函数时，135°方向上像素点对的示意图；图3是计算变差函数时窗口移动的冗余示意图；图3(a)是计算变差函数时，0°方向上窗口向下移动的冗余示意图；图3(b)是计算变差函数时，0°方向上窗口向右移动的冗余示意图；图4是基于CV模型进行图像分割的算法流程图；图5是实验1的原始SAR图像及分割后的SAR图像；图5(a)是实验1中包含建筑群的原始SAR图像；图5(b)是实验1中SAR图像建筑物分割结果；图6是实验2的原始SAR图像及分割后的SAR图像；图6(a)是实验2中的包含建筑群的原始SAR图像；图6(b)是实验2中的SAR图像建筑物分割结果。具体实施方式下面将参照附图对本专利技术进行说明。本专利技术的流程图如图1所示，提供了一种SAR图像建筑群分割方法。首先，对包含建筑群的原始SAR图像进行预处理，然后基于SAR图像计算其变差函数特征。将变差函数特征输入CV模型图像分割算法，根据建筑群和其它场景的特征区别，对建筑区域进行本文档来自技高网...

【技术保护点】
一种SAR图像建筑群分割方法，其特征在于，该方法包括以下步骤：1)对原始SAR图像进行预处理使图像的参数性能达到预先设定的指标，得到预处理后的SAR图像；2)对所述预处理后的SAR图像进行变差函数特征提取出纹理特征，形成变差函数特征图，实现建筑区域的灰度同质性；3)对所述变差函数特征图采用CV模型图像分割方法进行建筑群分割，得到一个能区分建筑区域和非建筑区域的二值图；4)对所述二值图采用连通区域检测算法连通相邻的建筑区域，将相邻的零碎建筑区域进行整合，然后通过面积筛选去除其它地物造成的虚警分割；5)对所述图像分割后得到的二值图，提取建筑区域的轮廓线，得到显式的SAR图像分割结果。

【技术特征摘要】
1.一种SAR图像建筑群分割方法，其特征在于，该方法包括以下步骤：
1)对原始SAR图像进行预处理使图像的参数性能达到预先设定的指标，得到预处
理后的SAR图像；
2)对所述预处理后的SAR图像进行变差函数特征提取出纹理特征，形成变差函数
特征图，实现建筑区域的灰度同质性；
3)对所述变差函数特征图采用CV模型图像分割方法进行建筑群分割，得到一个
能区分建筑区域和非建筑区域的二值图；
4)对所述二值图采用连通区域检测算法连通相邻的建筑区域，将相邻的零碎建筑
区域进行整合，然后通过面积筛选去除其它地物造成的虚警分割；
5)对所述图像分割后得到的二值图，提取建筑区域的轮廓线，得到显式的SAR图
像分割结果。
2.根据权利要求1所述的SAR图像建筑群分割方法，其特征在于，步骤1)中所
述预处理包括消除相干斑、调节亮度和对比度、像素插值或抽取。
3.根据权利要求1所述的SAR图像建筑群分割方法，其特征在于，所述纹理特征
值为0°、45°、90°、135°四个方向上的纹理特征的平均值。
4.根据权利要求1所述的SAR图像建筑群分割方法，其特征在于，所述的步骤3)
中采用C...

【专利技术属性】
技术研发人员：蒋忠进，崔铁军，刘丰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32